为什么完全相同的函数在 ipython/jupyter 中表现不同？

如何解决为什么完全相同的函数在 ipython/jupyter 中表现不同？

我有两个相同的函数，比如 sum_nb 和 sum_nb2。我用 @njit 装饰器定义它们：

from numba import njit
from timeit import timeit

@njit
def sum_nb(n=100_000_000):
    s = 0
    for i in range(n):
        s += i
    return s

@njit
def sum_nb2(n=100_000_000):
    s = 0
    for i in range(n):
        s += i
    return s

如果我只是另存为脚本并添加代码来衡量执行时间，一切都会很好：

print(sum_nb())
print(sum_nb2())
print(timeit(sum_nb))
print(timeit(sum_nb2))

输出为：

4999999950000000
4999999950000000
0.41249959499691613
0.4120563520118594

现在我打开 ipython 控制台/jupyter 实验室并将第一个代码复制到单元格中。然后我用魔法测量单元格中的代码时间：

In [3]: %timeit sum_nb()
240 ns ± 86.5 ns per loop (mean ± std. dev. of 7 runs,10000000 loops each)

In [4]: %timeit sum_nb2()
7.32 µs ± 90 ns per loop (mean ± std. dev. of 7 runs,100000 loops each)

如果在 jupyter 实验室中也会发生同样的情况。它是如何发生的？这个怎么运作？为什么同样的代码速度不一样？

我有 ipython 7.7.0、numba 0.44.1、python 3.7.3、jupyter lab 1.0.2

解决方法

这似乎是缓存行为不一致的结果。 Jupyter 甚至认为这是一个问题：The slowest run took 74.96 times longer than the fastest. This could mean that an intermediate result is being cached.

在我的机器上，具有缓存行为的函数在 ~240ns 内运行，而没有缓存行为的函数在 ~50μs 内运行。

我发现使两个函数之间的行为一致的唯一方法是将 n=100_000_000 拉入函数体，这使两个函数都为 240ns。